一. 前言
逻辑（Logistic）回归是分类算法中最基础也是最重要的手段，因此，掌握其内在原理是非常必要的。逻辑回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分问题（即结果要么是0，要么是1）。
在介绍逻辑回归之前，我们需要回顾一些数学基础内容。
1. 最大似然估计
-
什么是最大似然估计
通俗理解来说，就是整体概率分布已知，利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的分布模型的参数值！
举个栗子：假如国民收入符合正态分布，概率密度如下图。现在手里有一部分调查样本数据，根据这些样本数据，反推正态分布概率密度中的参数值，就是最大似然估计解决的问题。
- 最大似然估计的一般过程
首先要知道整体的分布模型，比如随便一个分布，概率密度p(x)，参数是θ
其次要有一些样本数据，假设为D样本D同时发生的联合概率密度（不是条件概率，只是强调参数是θ）
似然函数就是这个联合概率密度，定义为L，自变量是θ
极大似然估计法原理就是固定样本观测值，挑选参数θ，使得似然函数L取得最大值。
所以，现在问题转化成了寻找使L取最大值的θ，即为目标参数，
-
当未知参数只有一个时，我们可以对L求导，令导数为0取极值，解出θ。
-
当未知参数有多个时，我们可以对L求偏导，令偏导数为0，得到方程组解出参数。
举个例子：
好，至此我们总结一下最大似然估计的一般步骤：
- 写出似然函数
- 对似然函数取对数（为什么取对数？因为直接求导可能很麻烦，对数不改变单调性，不影响计算极值点。）
- 求导数
- 解似然方程
二. 逻辑回归算法
1. 逻辑回归基本原理
接下来我们回归正题，来看一下逻辑回归。逻辑回归也叫做对数几率回归，明明是分类算法，为什么叫做回归呢？因为它仅仅是在线性回归的基础上，将线性模型通过一个函数，转化为结果只有0/1的分类模型。它的建模过程和线性回归基本相同：
- 寻找预测函数
- 构造代价函数
- 想办法使得代价函数最小并求得回归参数
-
寻找预测函数
假设有一个二分类问题，输出为y∈{0,1}，而线性回归模型产生的预测值为（w是参数向量）
我们希望有一个理想的函数来帮我们实现z值到0/1值的转化。 于是我们找到了sigmoid函数图像是于是，我们非常自然的把sigmoid计算得到的值作为预测点为类别1的概率。概率大于0.5归类为1，小于0.5归类为0。至此，我们得到了预测函数模型
这里面，φ(z)表示的是类别取1的概率大小，那类别取0的概率大小j就是1-φ(z) -
构造代价函数
按照线性回归的思路，如果利用误差平方和来当代价函数，得到但是，我们此时的预测函数模型φ并不是线性的，如果把φ带入代价函数，得到的J是类似于下图的非凸函数，它有很多极值，使用梯度下降会很难找到代价函数最小的情况，所以这样构建代价函数并不合适。
我们可以换一个思路，最大似然估计该登场了。我们根据预测函数构造一个它的分布的概率密度，利用已知的样本反推参数。
根据上一步我们得到的预测函数，可以知道概率如下：我们将这2个式子合并，得到概率公式：由最大似然估计可知，联合概率就是：最大似然估计的目标是找到参数W使得L(w)最大，那么我们对L加一个负号，是不是就可以得到代价函数，也就是找到参数W使得 -L(w)最小。不过，这并不重要，我们的目的只是求参数w而已。为了简化计算，我们对L(w)取对数最后得到代价函数
3.求解参数
这里可以使用梯度下降法求解参数，具体做法已经在之前的线性回归中讲过，这里求解方式雷同，不在赘述。如果是使用计算库求解的话，可是使用BFGS与L-BFGS来代替梯度下降法，这2种算法收敛速度更快，且可以自适应选择学习效率α，不必手动设置。
2. 边界判定
让我们回到最开始，再来回顾一下我们的逻辑回归算法。
开始我们假设了一个线性模型，然后将线性模型带入了sigmoid函数，得到了逻辑回归模型。由sigmoid函数的图像，我们不难得出这样的结论：
那么现在假设线性模型如下，且已求出参数[-3,1,1]。则当-3+x_1+x_2≥0，即x_1+x_2≥3时，模型将预测 y=1。
如果从一开始就不是线性模型呢？下图就是曲线模型，且参数是[-1,0,0,1,1]
所以我想说的是：决定决策边界的不是训练集，而是假设本身和参数，训练集只是用来拟合求参数。
三. 逻辑回归特点
- 逻辑回归的数学模型和求解都相对比较简洁，实现相对简单。
- 本文最开始使用逻辑回归时，是将一个假设的线性模型代入sigmoid中，所以这个逻辑回归只能处理线性问题。实际中，也可以将非线性模型代入sigmoid，用来处理非线性问题。
- 逻辑回归适用于二分类问题，实际工作中，我们可能会遇到如下问题：预测一个用户是否点击特定的商品；判断用户的性别；预测用户是否会购买给定的品类；判断一条评论是正面的还是负面的；这些都可以尝试使用逻辑回归算法。
